AI没有身体，能真正理解这个世界吗？——具身智能的边界与可能性

Sat, 29 Aug 2026 03:13:00 +0800

引言

你试过用一只手拧开一瓶矿泉水吗？

瓶盖拧不动，你下意识地把瓶子夹在腿间，腾出两只手一起拧。或者你把毛巾裹在瓶盖上增加摩擦力。再或者，你干脆放弃了——把瓶子递给身边力气大的人。

这个看似简单的动作，其实包含了惊人的智能：你感知到了瓶盖的阻力（触觉），判断了自身的能力（自我认知），想到了多种解决方案（规划能力），选择了最合适的一种（决策），然后用精确的动作去执行（运动控制）。

现在问题来了：如果让AI来做这件事，它需要什么？

一个摄像头？不够。它需要知道"拧不开"是什么感觉。

一个数据库？不够。它需要知道"毛巾裹住瓶盖"这个方案为什么可行。

一段代码？不够。它需要知道力的传递、摩擦系数、手的姿态……

这就是具身智能（Embodied AI）要回答的核心问题：如果AI没有身体，它能真正理解物理世界吗？还是说，理解世界这件事，本身就离不开身体？

核心观点：智能不是"想"出来的，是"做"出来的

传统上，我们总认为智能是大脑的事情——思考、推理、计算，这些都是大脑的专属工作。身体只是执行大脑命令的"工具"。

但具身智能理论提出了一个反直觉的观点：身体不是智能的附属品，身体本身就是智能的塑造者。

你可能会问：这有什么区别？

举个例子。一个传统AI和一个具身AI同时被要求"学会开门"。

传统AI的做法：它被喂入成千上万张门的图片，学习"门"的视觉特征；它被输入开门动作的数学模型，计算最优的把手旋转角度和推力大小。但它从来没有真正"开过"一扇门。

具身AI的做法：它被放在一扇真实的门前，自己尝试去推、去拉、去旋转把手。它发现有些门是推的，有些是拉的，有些需要先下压把手再推。它摔过跤、卡住过、失败过，但每一次失败都让它更懂"门"是什么。

哪个更接近人类的智能？

显然是后者。因为人类理解"开门"这件事，从来不是通过背诵定义，而是通过无数次真实的尝试——小时候你踮着脚尖去够门把手，试过"推"和"拉"的区别，试过不同的力度。你对"门"的认知，是身体经验和感知经验共同塑造的。

这就是具身智能的核心思想：智能不是脱离身体的抽象存在，而是在身体与环境的互动中形成和发展的。感知的方式、行动的能力、与环境互动的模式，都深刻地塑造了智能的形态和内容。

为什么"没有身体"的AI会有局限？

你可能在想：大语言模型不是很厉害吗？ChatGPT能写诗、能编程、能推理，它还需要身体吗？

这是个好问题。让我们看看大语言模型和人类在理解"杯子"这件事上的根本区别。

人类对"杯子"的理解

你对"杯子"的理解是多维度的：

视觉：你见过各种形状、颜色、材质的杯子
触觉：你握过杯子，知道它的温度、重量、质感
动觉：你端过杯子，知道需要多大的力才能把它拿稳
功能：你用它喝过水、喝过咖啡、喝过茶
社会性：你知道在别人家做客时，用完杯子要放在哪里

所有这些经验交织在一起，形成了一个丰富、立体、有温度的"杯子"概念。

AI对"杯子"的理解

大语言模型对"杯子"的理解，来自它读过的数十亿个文本。它知道"杯子是一种容器，用于盛放饮料"，知道"杯子通常由陶瓷、玻璃或塑料制成"，知道"杯子的同义词包括水杯、茶杯、马克杯"……

但AI从来没有摸过杯子。

当AI说"杯子"时，它只是在操纵符号——“杯子"这个词和"容器”、“饮料”、“陶瓷"这些词之间的统计关联。它没有触觉记忆，没有温度感知，没有握持经验。它的"杯子"概念，是一个脱离了真实世界的符号抽象。

这就像一个人从没吃过苹果，但读完了所有关于苹果的书。他可以滔滔不绝地讲苹果的种类、产地、营养成分，但他永远不知道苹果是什么味道。

这就是"符号接地问题”——AI的符号系统悬浮在语言层面，没有扎根于真实的物理经验。

为什么这个问题重要？

因为物理世界有它自己的逻辑，而这种逻辑不是在文本中能完整学到的。

文本中会写"水在100°C沸腾"，但文本不会写"把手放在沸水上方会感觉到热浪"——因为这对人类来说太"常识"了，不需要写。但AI恰恰缺少的就是这种常识级的物理直觉。

2016年，AI研究者给当时的视觉系统做了一项测试：给AI看一张图，图中有一些积木，然后问"如果把红色的积木推到蓝色积木的左边，会发生什么？"

人类一秒钟就能回答。但当时的AI需要复杂的推理链，而且经常出错。为什么？因为人类有物理直觉——我们知道物体会移动、会碰撞、会堆叠，这些直觉来自我们从小玩积木的身体经验。而AI没有这种经验。

具身智能如何工作？——“感知-认知-行动"的永动循环

具身智能系统的工作方式，可以概括为三个字：做中学。

具体来说，它是一个永不停歇的循环：

第一步：感知。 机器人通过摄像头看到前面的桌子，通过力传感器感觉到自己的机械臂的位置，通过触觉传感器感觉到桌面的高度。

第二步：认知。 机器人判断：“我需要把杯子放在桌子上。桌子高度70厘米，我的手臂目前位置偏高，需要下调15厘米。”

第三步：行动。 机器人调整手臂位置，平稳地将杯子放到桌面上。

但这不是结束。 行动之后，机器人会通过新的感知来判断行动是否成功：杯子放稳了吗？桌子表面是平的还是有倾斜？如果失败了，它会调整策略，再试一次。

这就形成了一个"感知-认知-行动"的循环。每一次循环，机器人都对这个世界多了一分理解。

这听起来是不是很像人类学习的过程？你学骑自行车的时候，不就是不断地感知（看路、感觉平衡）、判断（该往左偏还是右偏）、行动（调整身体重心），然后从失败中学习吗？

大模型时代：具身智能的"iPhone时刻”

具身智能并不是一个新概念——早在1980年代，MIT的罗德尼·布鲁克斯（Rodney Brooks）就提出了"包容架构"，主张智能应该从底层行为开始构建，而不是从高层推理开始。他造出了不需要"大脑"就能灵活走路的六足机器人。

但那个时代的具身智能，能力有限，只能实现"昆虫级别"的智能。

真正让具身智能发生质变的，是大语言模型（LLM）的兴起。

这听起来可能有点矛盾——我刚才不是说大语言模型没有身体吗？但正是大语言模型的"通才"能力，给了具身智能一个"大脑"。

变革一：自然语言交互

2022年，Google推出了PaLM-E——一个将语言模型与机器人感知结合的系统。你只需要对机器人说"帮我把桌子上的苹果拿过来"，它就能理解这句话，并自主规划完成这个任务所需的一系列动作。

这意味着什么？ 以前，让机器人做一件事，需要工程师写几千行代码。现在，你对机器人说句话就行。

变革二：世界模型

大语言模型在训练中积累了海量的世界知识，这些知识可以被迁移到具身场景中。

比如，如果你想教机器人"倒水"这个动作，不需要从头训练。AI已经知道"水是液体"、“倒水时杯子要倾斜”、“水会溢出”——这些知识来自文本学习。它只需要在真实世界中微调这些知识，把它变成具体的肌肉记忆。

变革三：代码生成

更令人兴奋的是，AI可以自己写代码来控制自己。

感知行动循环 on 灵语AI